高平平[1]2004年在《基于神经网络的污水处理水质预测研究》文中研究说明污水处理受到进水水质、水量、设备、工艺等诸多因素影响,过程复杂,水质变化具有非线性及非确定性特征。传统的污水处理出水水质预测ASM系列模型由于涉及的反应过程和参数较多,许多参数缺乏成熟的测定方法,实际应用效果并不十分理想。人工神经网络具有大规模并行运算、自适应、自学习、容错性的能力,特别适用于需要同时考虑许多因素和条件,不精确的、模糊的信息处理。因此,运用人工神经网络对污水处理出水水质进行预测具有独特的优势,也为污水处理出水水质预测提供了新思路。 本文以MATLAB6.5为计算平台,采用BP神经网络结构:一个输入层、一个隐含层、一个输出层。通过工艺分析,确定6个进水水质指标即水量、PH值、温度、COD、硫化物、MLSS为输入神经元;出水COD浓度为输出神经元。通过对某厂污水处理站的监测数据进行学习,分析影响BP网络学习效率和预测精度的影响因素,主要从隐含层神经元数量、训练次数、隐含层激励函数、学习样本数量几个方面对该厂污水处理站出水COD浓度预测BP网络模型进行了优化,确定了引进分厂污水处理站出水水质预测人工神经网络模型。最后运用聚类分析法、主成分分析法去除了监测数据中有离群趋势的4个点,将监测数据分为6类,从每类中选取2/3作为学习样本,其余数据作为检验样本。 最后通过验证表明,BP人工神经网络模型预测结果同监测出水COD浓度相对误差最高为9.2%,最低为0.9%,平均相对误差为3.4%,识别率达到92.3%,具有较高的精度,能满足水质预测实际要求。
杨阳[2]2016年在《基于无线传感器网络的污水水质预测研究》文中认为随着工业的迅速发展,工业污水的种类和数量迅猛增加,污染也日趋严重,威胁着人类的健康和安全,污水处理的预测研究和智能控制得到了学者的研究与关注。随着物联网技术的发展,无线传感器网络作为物联网底层技术应用越来越多。近年来,无线传感器网络广泛应用在工业环境监测中,包括在污水处理行业。为了实现对污水处理智能控制和预警,针对污水处理中重要的水质参数,还要通过预测评估,来达到实际的应用要求。本文首先设计了一种污水水质数据采集传输的ZigBee无线传感器网络模型。在网络中如何优化ZigBee路由、降低网络能量的问题上,详细分析了ZigBee路由算法,针对基础的ZBR算法在簇内路由跳数较多、路由发现时广播风暴等问题,提出了一种新的路由算法ZBR-L。在簇内路由时,通过建立路由邻居表优化了路由时的路径,减少了路由开销;其次在建立路由发现的时候,通过限制路由发现时RREQ请求包的发送,节省了能量,使网络中节点寿命延长。最后对改进算法进行了仿真分析,通过与ZBR算法的比较,证明了ZBR-L在分组递交率等网络通信指标具有更好的效果,优化了传输路径。其次通过无线传感器网络将采集到的数据传输到数据库,并对水质数据进行研究。本文建立了污水处理出水COD值的神经网络预测模型,利用实际采集的数据作为仿真输入。但是由于BP神经网络预测存在一定局限问题,而人工蜂群算法(ABC)有全局寻优能力强的特点,本文利用人工蜂群算法对神经网络权值和阈值进行优化,建立了ABC-BP预测模型以减小误差。实验证明,人工蜂群优化得到的结果更接近期望输出,误差更小,效果更好。
王瑞[3]2012年在《基于遗传优化BP神经网络的污水处理水质预测研究》文中提出在污水处理的技术工艺中，活性污泥污水处理法是一种相对较为先进成熟的处理工艺技术。但是污水处理的工艺过程受到许多动态时变因素影响，具有高度复杂性、不确定性以及非线性的测量难点，故以精确的数学模型建模，难度巨大，是一类典型的复杂工业过程。并且由于部分关键水质参数无法在线监测，致使对污水处理的过程控制能技术手段未能在第一时间发挥指导及调控作用，所以污水处理水体质量参数的评定监测难关已成为污水处理技术发展的短板。由于人工神经网络具有优良的非线性逼近特性、并行式分布结构、较好的容错性以及自适应学习和归纳能力，特别适用于需要同时考虑许多因素和条件，不精确的、模糊的信息处理。但人工神经网络存在结构上的缺点及局限性，而遗传算法在一定程度上存在弥补优化的作用。为此，本论文针对活性污泥法污水的出水水质，研究了基于遗传算法优化人工神经网络的污水参数建模预测方法，结合前人研究经验成果，主要作了如下几方面工作:首先，就处理污水反应过程中，对降解有机物、硝化与反硝化、除磷过程反应有影响的工艺参数进行了相关学习，对污水处理水质参数指标及相关标准进行了分析。第二，通过分析神经网络和遗传算法各自的特点，针对神经网络在实际应用中存在的收敛速度慢，网络随机初始的权阀值的选择不能基于在一个有效的选择机制上，难以确定具有全局性优良的初始网络参数等缺点，进行了基于遗传算法优化的神经网络软测量建模研究。提出利用遗传算法在全局搜索中的优势进行BP神经网络权阀值的初始化，取代随机确定初始网络参数值的传统方法以使神经网络在算法一开始就运作在一个较优的搜索集合内，然后在这个解空间里运行算法，以误差反射传播的方式训练网络，使网络通过学习得到该集合内最优解的优化算法。第叁，以广州沥滘污水处理厂实地测量水质指数报表数据为训练样本，将BP神经网络水质预测模型以及经过遗传优化之后的BP神经网络水质预测模型应用到曝气池COD的软件测量应用中，针对污水处理过程中不能在线测量的重要参数曝气池COD进行了仿真预测，并将获得的两种测量结果进行了比较分析。研究结果表明，基于遗传算法的优化方法有效解决了BP算法收敛速度慢，全局搜索能力弱等缺陷，达到了较好的效果。
陆超, 张峻, 赵俊[4]2013年在《基于神经网络的污水处理厂水质预测模型》文中进行了进一步梳理该文针对污水处理厂进水水质变化及处理过程中具有非确定特性、不易精确控制等特点,充分利用神经网络模糊信息处理的优势,结合污水处理工艺过程,以MATLAB为研究平台建立一套具有3层神经网络结构的预测模型并进行仿真验证。结果表明该系统能够预测该污水处理厂12 h后处理水质的状况,为运行管理提供可靠的数据支持,是一种预警处理水质的有效方法。
谭晓慧[5]2010年在《新薛河人工湿地污染物净化效果与水质预测应用研究》文中研究说明水质预测是水污染防治工作的重要内容,其预测结果可以为环保部门提供重要的研究依据。目前水质预测模型仍局限于机理模型,然而水环境污染过程的非确定性和高度非线性性,使得机理模型难以精确模拟污染物降解的复杂过程。人工神经网络属于复杂非线性科学和人工智能科学的前沿,进行复杂非线性系统模拟可以取得较好的预测效果,但其在水质预测方面的应用研究,在国内外尚处于初级阶段。本课题组在前期的工作中应用人工神经网络进行了南四湖、墨水河水质模型和水质预测的研究,结果表明应用人工神经网络可以取得较好的预测结果,为本文的研究积累了成功的学习经验。本文以南四湖新薛河人工湿地为研究对象,首先通过试验监测了人工湿地进出水主要污染物浓度,研究了人工湿地对污染河水的净化效果,为人工湿地水质预测模型的建立提供了数据基础。然后,从系统理论的角度出发,进行了基于BP神经网络的人工湿地水质模型的研究,并应用模型预测在《地表水环境质量标准》(GB3838-2002)Ⅲ类标准约束条件下新薛河人工湿地的最大进水负荷,水质预测结果的研究为水质水量调度方案的研究奠定了坚实的基础。本文获得的主要研究成果如下:(1)通过在新薛河人工湿地进行试验研究,监测了人工湿地导流渠进水CODCr、氨氮、TN和TP等污染物指标,以及各处理单元出水CODCr和氨氮浓度等,研究了人工湿地的污染物去除效果,得到了污染物净化负荷与有机负荷之间的关系。研究表明,人工湿地具有良好的污染物净化能力,人工湿地的建设大大改进了新薛河的河水水质。(2)在充分研究神经网络机理和国内外研究现状的基础上,建立了基于BP神经网络的人工湿地水质预测模型。模型建立过程中,为了增强网络的泛化能力,提高训练效率和精度,进行了一系列的优化设计。然后通过不断试算,分析不同隐含层节点数和不同训练方法时网络模型的性能,从而选择合理的网络结构及训练方法。最终确定网络的拓扑结构为:一个输入层、一个隐含层、一个输出层的叁层神经网络。夏季模型隐含层节点数为9,网络训练函数采用量化共轭梯度法trainscg函数,冬季模型隐含层节点数为14,网络训练采用有自适应lr的梯度下降法traingda函数。(3)训练参数确定后,分别将人工湿地夏季和冬季样本数据中的前11组数据作为训练样本对网络进行训练,将第12组数据作为检验样本对网络进行验证。验证结果表明,夏季模型CODCr、氨氮、TN、TP的预测相对误差分别为1.5%、2.4%、7.7%、8.3%,冬季模型CODCr、氨氮、TN、TP的预测相对误差分别为11.7%、30.6%、3.3%、27.3%。经查阅文献可知,预测误差在可接受范围内,表明网络的训练是成功的,可以取得满意的预测结果,网络性能可以满足实际应用的要求。(4)将建立的人工湿地水质预测模型进行应用,经预测可知,在保证新薛河人工湿地出水达到地表水Ⅲ类水质标准要求时,人工湿地夏季进水负荷为:CODCr浓度≤48.8 mg/L、氨氮浓度≤2.23 mg/L,冬季进水负荷为:CODCr浓度≤26.1mg/L、氨氮浓度≤1.17mg/L。
乔兴宏[6]2016年在《污水生化处理系统的智能预测及鲁棒优化控制研究》文中提出污水生化处理是一个随机、时变和耦合的复杂过程,传统的优化控制方法难以有效应用。智能控制和鲁棒控制等控制理论的引入能有力推动污水处理研究的发展。最小二乘支持向量机、小增益定理、Kharitonov定理、回路成形、V-gap理论、遗传算法和粒子群算法等作为研究工具在许多领域有了广泛的应用,但应用在污水处理领域的研究还很少。本文在总结前人对上述算法和污水处理系统研究的基础上,将相应算法进行改进和综合,应用于污水处理系统的出水水质参数预测和鲁棒优化控制,为污水处理厂的优化控制提供了理论依据,并取得了一定的研究成果。本文的主要研究内容概括如下:1.生化需氧量(BOD)是监测水体中有机物污染状况的重要指标,反映水体被有机物污染的程度,但这一指标很难实现在线监测和利用该指标进行反馈控制。针对这一问题,本文提出了一种在线更新Gustafson-Kessel(GK)模糊聚类和最小二乘支持向量机相结合的算法。为了提高在线运算速度和减少存储空间,GK模糊聚类算法对相似聚类合并;在线递推最小二乘支持向量机过程中,采用一种带时间窗型在线稀疏算法,利用快速留一交叉验证法(Fast Leave-One-Out Cross-Validation,简称FLOO-CV)删除对模型整体性能影响最小的冗余样本。将该算法应用于污水处理出水水质指标BOD的预测,实验结果表明本文提出的方法预测结果精度更高,运算速度更快。2.以回流的微生物浓度为控制变量,对污水处理不确定模型通过线性分式变换进行简化。通过小增益定理或Kharitonov定理将控制目标转换为不等式约束凸优化问题,采取遗传算法对控制器参数寻优。将该算法应用于简化的活性污泥数学模型的回流微生物浓度控制,相对传统的鲁棒控制器设计方式,避免了解复杂的Riccati方程,计算简单,控制器阶次低,更易于工程上的实现。仿真结果表明了该方法控制性能优良,鲁棒性能较好。3.溶解氧浓度是污水生化处理过程中的一个重要参数。溶解氧浓度模型是一种典型的不确定时变系统,其系统复杂,普遍存在参数变化,有外干扰等问题。传统控制手段难以有效的控制溶解氧浓度。针对模型不确定性,本章在间隙度量的基础上,提出了一种基于线性矩阵不等式技术的?H回路成形方法,设计了基于间隙度量的溶解氧浓度鲁棒控制器。该算法通过?H回路成形和V-gap理论将控制问题转换为凸约束优化问题,然后对遗传算法和粒子群算法进行比较,最后采取粒子群算法对鲁棒控制器参数进行寻优,得到一个低阶控制器,避免了复杂的计算。仿真结果证明该控制器能够很好地克服不确定模型带来的模型误差和抑制干扰。4.生物硝化、反硝化处理是脱除废水中硝态氮的有效手段。基于脱氮反应机理,通过探讨生物脱氮反应过程的动力学方程式和子过程相关化学计量关系式,比较有效地构建了活性污泥法简化硝态氮数学模型。根据简化硝态氮数学模型,污水处理厂需要通过调整生化反应池中的有机碳和硝酸氮等组分的浓度,实现硝态氮的去除。考虑同时存在参数、结构及干扰的不确定性,提出基于?H理论和遗传粒子群算法的鲁棒控制器设计算法。该算法根据系统的标称性能、鲁棒稳定性和鲁棒性能条件,将控制问题转换为凸约束优化问题。然后对遗传算法、粒子群算法和遗传粒子群混合算法进行比较和分析。最后采取遗传粒子群算法对鲁棒控制器参数进行寻优。仿真结果表明所提出的设计方法能有效的克服进水波动带来的干扰,相对Ziegler-Nichols(Z-N)和Cohen-Coon(C-C)整定方式,控制效果更好。5.针对污水处理过程能量消耗过大、运行成本高的问题,研究了基于智能算法(遗传算法、粒子群算法和遗传粒子群算法)的污水生化处理系统中关键控制器参数设定值的确定问题。以污水处理系统的运行能耗和出水水质作为目标优化函数,利用智能算法寻优出溶解氧浓度和硝酸氮浓度以“天”为周期的动态最优设定值。然后利用寻优出的每段最优参考值对污水处理系统进行分时段动态控制。通过在国际水协会提供的BSM1(Benchmark Simulation Model no.1)平台上进行优化控制仿真实验,仿真结果表明优化后的系统相对定常设置系统可以降低运行能耗,且以遗传粒子群算法优化的节能效果最好。
杨文君[7]2018年在《基于改进人工免疫算法的污水处理过程优化研究》文中研究说明随着经济的发展和城镇化的推进,工业废水和生活污水的排放量日益加剧,污水处理变为现在研究者们关注的热点和难点。污水处理具有复杂性、高耦合性、强非线性、时变性、大滞后、干扰因素多等特征,导致其控制难度较大,因此传统的处理方法效果不是很好。由于微生物生长机理复杂、进水流量波动大、流入污水中不确定成分多等问题,以及我国对污水处理方面的研究起步较晚,控制水平较低,所以对污水处理过程进行控制研究很有必要。污水处理的目的主要是提高处理能力,使出水水质达标、能耗尽可能降低等,因此,围绕如何使污水处理过程平稳运行、出水水质达标、寻找关键变量的优化设定值、节能降耗等问题,本文选用具有全局优化能力的人工免疫算法,以国际基准仿真模型BSM1为基础,开展分析研究。论文的主要研究内容如下:1.针对污水处理过程的非线性、复杂性,某些重要出水水质参数预测困难且误差较大的问题,提出了一种基于人工免疫算法训练极限学习机(AIA-ELM)的污水处理出水水质预测方法。首先采用人工免疫算法(AIA)对极限学习机(ELM)的隐层节点参数进行优化,将ELM的输入权值和隐藏层节点阈值映射为AIA的抗体,提高ELM的泛化能力;然后采用MP(Moore-Penrose)广义逆快速获得网络的输出连接权值;出水生化需氧量BOD和出水化学需氧量COD是检测出水水质的重要指标,且它们二者之间存在一定的耦合关系,所以最后将AIA-ELM应用在国际基准仿真平台BSM1上,对BOD和COD两个重要参数进行预测,仿真结果表明,所提方法具有良好的预测效果。2.溶解氧(Dissolved oxygen,DO)浓度是污水处理过程中很重要的一个参数,针对溶解氧浓度的控制具有时变、非线性、以及设定值难以跟踪的问题,提出了一种基于人工免疫算法(AIA)的TS模糊神经网络(AIA-TSFNN)控制方法。首先利用TS模糊神经网络的自适应能力来设计溶解氧浓度控制器;然后采用人工免疫算法作为TS模糊神经网络的学习方法,对网络的中心值、宽度值以及连接权值进行在线优化,以保证控制器的收敛性,提高控制精度;最后在仿真平台BSM1上进行实验验证,仿真结果表明,所提方法具有较好的自适应性和鲁棒性,提高了溶解氧的跟踪控制性能。3.污水处理是一个复杂的动态反应过程,针对如何确定优化控制中关键变量的动态最优设定值,使满足出水水质排放达标的同时降低运行能耗的问题,提出了一种基于人工免疫算法Copt-ai Net(组合优化的人工免疫网络)的污水处理控制策略。首先,利用Copt-ai Net确定第二分区溶解氧浓度和第五分区硝态氮浓度的最优设定值;再利用控制器跟随最优设定值对污水处理过程进行分时段控制,对氧传递系数和内回流流量进行控制,进而对鼓风能耗和泵送能耗同时进行优化;最后,在仿真平台BSM1上进行仿真实验,结果表明,本章所提控制策略能使出水水质保持达标,并有效的降低能耗。
龚国勇[8]2016年在《基于神经网络和人工蜂群算法的污水处理水质预测模型研究》文中研究说明随着社会飞速发展,污水处理效率亟待提高。而由于低端设备精度低以及效率不高,高端设备难以普及的问题,导致污水处理效率不高。通过数学模型对污水处理的出水水质预测是弥补设备问题的有效解决途径。通过设计一个基于神经网络的预测模型,保证其预测的精准度,更快速准确的提供污水处理后的出水水质主要参数的预测,并在此基础上通过引进人工蜂群算法来进一步提高其收敛速度,提高本预测模型的效率。
高莹[9]2010年在《基于Matlab/Simulink的墨水河流域水质仿真与水环境容量研究》文中研究指明河流水质仿真和水环境容量目前在水环境研究领域越来越被重视,其研究结果是实现水环境管理决策过程和科学化管理的重要技术手段。水环境是一个复杂的系统,其水质受到多种因素的影响,而目前用于解决这些问题的计算机软件MATLAB是复杂非线性科学和人工智能科学的前沿,其中的BP网络在水环境研究领域应用较为广泛也相对较成熟,Simulink工具箱在水污染控制领域的应用研究尚处于初创阶段。因此,研究建立计算准确、适应性强的水质仿真模型对河流水质进行预测和水环境容量进行研究成为必然的趋势和迫切需要解决的问题,这对提高水质模拟的智能化水平具有重要的意义。论文以课题组前期的研究工作为基础,针对目前计算机仿真工具在河流仿真和水环境容量研究工作方面的不足,并结合青岛市胶州湾北部主要纳污河流墨水河接纳污水量多、水质恶化的问题,在研究分析水质模拟研究现状和Simulink的优越性的基础上,对水质模拟的BP网络建模方法和一维模型应用方面进行了研究。以河流水质现状评价为基础,通过水质模型的选取建立了基于Matlab/Simulink的BP神经网络模型和一维河流模型,对墨水河进行仿真预测和水环境容量计算。具有一定的理论意义和实用参考价值,主要研究成果:(1)通过对墨水河水质现状调查研究与评价分析,掌握了该河段的污染现状和主要污染因素。基于各监测断面的实际监测结果,采用综合水质标识指数评价法对河流水质进行了评价研究,确定该流域的主要污染因子为COD_(Cr)和氨氮,且下游污染相对较严重。(2)Matlab/Simulink工具箱具有良好的可视化功能,已在很多领域得到广泛应用,本文根据Simulink的强大的可视化功能并结合BP网络的黑箱学习模式,经过多次反复的训练和验证,建立了基于Simulink的BP神经网络模型,该模型避免了以往单纯使用BP网络模型的局限性和暂时性,扩大了其应用范围。针对墨水河的水文特征,利用该模型对入海口的水质进行了预测分析,当墨水河上游各控制断面和胶州湾湾内满足功能区标准的前提下,对墨水河入海口处的水质进行了预测仿真,结果表明当入海口处污染物排放小于预测结果时(COD_(Cr)≤195.6mg/L,氨氮≤45.5mg/L),墨水河的水质将不是胶州湾水质变化的主要原因。(3)根据对墨水河的实际调查和相关资料,通过对河流进行概化,首次结合Simulink的模块化优良特性建立了基于Simulink的一维河流模型,依据其水环境功能区划,对墨水河内主要污染物COD_(Cr)和NH_3-N的环境容量进行了数学建模、计算和分析,该模型提高了计算结果的运算速度和精确度。本文利用该模型计算了墨水河的污染物最大允许排放量COD_(Cr)为2639.74t/a,氨氮为138.48t/a,要保护河流水质不受破坏和污染影响,区域的排污量应控制在最大允许排放量以下。最后根据总量控制原则对区域的污染物排放和治理提出了一定的污染和防治措施。
孙玉庆[10]2016年在《基于密度聚类自组织RBF神经网络的出水氨氮软测量研究》文中研究表明近年来,随着社会的快速发展,水污染问题愈发严峻,而水体富营养化是导致水污染的重要原因,水体富营养化会破坏生态环境,影响人类健康,因此避免水体富营养化是我国城市污水处理厂建设的主要目标之一。由于水体富营养化的机理过程复杂,影响因素众多,难以建立其精确的数学预测模型,致使水体富营养化难以预防,而水中氨氮的含量是水体富营养化的关键参数,其值大小可以用来评价水质,预防污染。因此,为了实现污水处理厂出水氨氮的实时测量,文中提出了一种基于密度聚类自组织RBF神经网络的出水氨氮软测量模型,实现了出水氨氮的及时、准确预测。本文主要的研究工作包括以下几点:1.基于污水氨氮处理过程的机理分析与数据处理,确定了出水氨氮软测量模型的辅助变量。辅助变量的选取是建立出水氨氮软测量模型的关键,本文通过对活性污泥法中生物脱氮过程的机理分析及实际污水处理厂可测量变量,总结出与出水氨氮相关的7种辅助变量,在对数据进行归一化处理后,利用主元分析法对初步的7种辅助变量进行了去相关性处理,最终将出水氨氮软测量模型的辅助变量维数由7维降为5维。2.针对RBF神经网络结构参数难以确定的问题,设计出一种密度聚类自组织RBF神经网络。该密度聚类算法以某个样本点密度值大小及样本间的欧氏距离为条件进行RBF神经网络结构的自组织调整,从而实现网络结构的确定,并利用梯度下降算法对网络参数进行训练,确定最终的RBF神经网络结构及参数。非线性系统逼近实验表明:所提出的自组织机制能够优化RBF神经网络结构,提高了网络预测精度。3.建立了一种基于密度聚类自组织RBF神经网络的出水氨氮软测量模型,解决了出水氨氮在线测量精度不高的问题。将提出的密度聚类自组织RBF神经网络应用于出水氨氮的软测量模型中,由于密度聚类自组织RBF神经网络能够根据样本数据的特点进行网络结构的自组织调整,使得建立的软测量模型更接近实际的污水处理过程,实验结果验证了所建立的出水氨氮软测量模型的有效性。4.开发了一种出水氨氮软测量平台。该平台主要包括用户注册及登录模块、数据处理模块、模型训练及预测模块。首先,利用LabVIEW 2012软件编写了平台操作界面,主要集合了模型选择、参数设置等功能;然后利用Access 2013数据库和Matlab R2012a软件编写了后台运行程序,以实现用户信息存储及软测量模型调用;最后,通过用户信息、数据处理、模型调用等模块间的信息传输,实现出水氨氮软测量过程的可视化。
参考文献：
[1]. 基于神经网络的污水处理水质预测研究[D]. 高平平. 西南交通大学. 2004
[2]. 基于无线传感器网络的污水水质预测研究[D]. 杨阳. 上海电机学院. 2016
[3]. 基于遗传优化BP神经网络的污水处理水质预测研究[D]. 王瑞. 华南理工大学. 2012
[4]. 基于神经网络的污水处理厂水质预测模型[J]. 陆超, 张峻, 赵俊. 净水技术. 2013
[5]. 新薛河人工湿地污染物净化效果与水质预测应用研究[D]. 谭晓慧. 青岛理工大学. 2010
[6]. 污水生化处理系统的智能预测及鲁棒优化控制研究[D]. 乔兴宏. 华南理工大学. 2016
[7]. 基于改进人工免疫算法的污水处理过程优化研究[D]. 杨文君. 兰州理工大学. 2018
[8]. 基于神经网络和人工蜂群算法的污水处理水质预测模型研究[J]. 龚国勇. 宜春学院学报. 2016
[9]. 基于Matlab/Simulink的墨水河流域水质仿真与水环境容量研究[D]. 高莹. 青岛理工大学. 2010
[10]. 基于密度聚类自组织RBF神经网络的出水氨氮软测量研究[D]. 孙玉庆. 北京工业大学. 2016
标签：环境科学与资源利用论文; 模型预测控制论文; 神经网络模型论文; 预测模型论文; 网络模型论文; 水质检测论文; 系统仿真论文; 水污染论文;